Halvledarindustrin förändras snabbt tack vare artificiell intelligens.

Vid konferensen bekräftade åsikterna att AI och halvledare för närvarande är grundpelarna för den digitala ekonomins framtid. I synnerhet går de två elementen "AI" och "halvledare" hand i hand. Det mest uppenbara är att AI hjälper till att automatisera halvledartillverkningsprocessen, förutsäga och upptäcka produktfel, förbättra produktionskvalitet och effektivitet.

Christopher Nguyen - VD för Aitomatic, till exempel, kommer vissa tillverkningsanläggningar, särskilt avancerade tillverkningsanläggningar, att kräva strängare standarder år 2030. Till exempel, i plasmabearbetningsprocessen, parametrar som bränslediameter, tryck, temperatur och dussintals andra faktorer för att säkerställa nästan absolut noggrannhet. AI kommer att bidra till att säkerställa denna noggrannhet.

”AI kan inte utvecklas utan halvledare, och vice versa, halvledarindustrin förändras snabbt tack vare framstegen inom AI. Det är ett symbiotiskt förhållande där båda driver varandra framåt”, sa han.

Halvledarindustrin förändras snabbt tack vare artificiell intelligens foto 1

Christopher Nguyen - VD för Aitomatic - talade vid workshopen.

Angående den allmänna teknikbilden hänvisade Christopher Nguyen till Moores lag, som bekräftade att utvecklingshastigheten för AI och halvledare är mycket snabb. Var 18:e månad sker betydande förbättringar inom mikroprocessortekniken.

När det gäller marknaden upplever världen en anmärkningsvärd tillväxt och efterfrågan på AI-processorer förväntas fortsätta att öka kraftigt under de kommande åren. Länder som USA, Kina, Japan och Sydkorea ökar investeringarna inom detta område. Kapplöpningen mellan ledande länder inom teknik är extremt hård.

Inom chiptillverkning kommenterade Anna Goldie, seniorforskare på Google, att medan AI:s datorbehov växer exponentiellt, hänger inte hårdvarukapaciteten med, vilket skapar ett växande gap. För att lösa detta problem har nya AI-tekniker som AlphaChip – en AI-chipdesignmetod – introducerats. Hon sa att tack vare tillämpningen av AI accelereras chipdesignprocessen otroligt mycket, samtidigt som det bidrar till att minska kostnaderna och optimera prestandan.

”För att fullt ut utnyttja AI:s potential måste vi förkorta chipdesigncyklerna, förbättra algoritmer och utnyttja data maximalt. I framtiden kommer AI inte bara att bidra till att förbättra hårdvaran utan också till att forma genombrott inom många andra områden, från hälso- och sjukvård och finans till industriell produktion”, säger Anna Goldie.

Mer specifikt introducerade Anna Goldie AlphaChip-metoden som använder AI för att optimera layouten av komponenter på chipet, vilket bidrar till att minska latens, spara energi och optimera produktionsområdet. AI kan förbättra chipdesignprocessen genom att förkorta tiden och förbättra produktens prestanda. AlphaChip har tillämpats på senare generationer av Google TPU:er, vilket ger betydande effektivitet jämfört med traditionella designmetoder.

Samtidigt berättade Tran Thanh Long – professor vid Warwick University – mer om de insatser runt om i världen som bidrar till att öka kraften hos AI och halvledarteknik. Han nämnde till exempel hur man kan använda minneslagrar och Bayes teori för att förbättra prestanda och skalbarhet hos artificiell intelligens (AI). Minneslagrar hjälper AI att komma ihåg information under lång tid och använder tidigare data för att optimera beslut.

”Bayesiansk teori hjälper AI att justera sina förutsägelsesannolikheter baserat på ny data, vilket hjälper systemet att lära sig snabbare och mer effektivt. Denna kombination minskar behovet av beräkningsresurser samtidigt som hög noggrannhet säkerställs”, sade Long.

Dessutom hjälper denna metod AI att fungera smidigare inom områden som sjukvård, industriell tillverkning och automation. AI kan särskilt bearbeta data bättre utan att förlita sig för mycket på stora datacenter, vilket sparar kostnader och resurser. Som ett resultat blir systemen smartare, effektivare och självjusterande utan att behöva enorma mängder data.

Fru Ngan Vu från Google DeepMind presenterar en forskningsinriktning som föreslår att man använder kretsneurala nätverk för att skapa effektiva logiska kretsdesigner. Genom att tillämpa simulerad glödgning och andra optimeringstekniker strävar hennes expertteam efter att förkorta kretsdesigncykeln från idé till faktisk produkt.

En av de största utmaningarna är att balansera kretsarnas noggrannhet och prestanda, vilket säkerställer att designen inte bara fungerar korrekt utan också sparar resurser. Men om gapet mellan AI-programvara och hårdvara kan minskas kommer det att öppna upp många nya möjligheter inom halvledarindustrin. ”Att tillämpa AI på kretsdesign lovar att förändra hur halvledarindustrin fungerar, vilket bidrar till att påskynda utvecklingsprocessen och leverera mer optimala designer”, säger Ngan Vu.